医学 AI

V2T-CoT: From Vision to Text Chain-of-Thought for Medical Reasoning and Diagnosis

V2T-CoT：从视觉到文本链式推理用于医学推理与诊断

Yuan Wang, Jiaxiang Liu, Shujian Gao, Bin Feng, Zhihang Tang, Xiaotang Gai, Jian Wu, Zuozhu Liu

专题命中 诊断辅助 ：diagnosis(title,abstract)；medical image(abstract)；biomedical(abstract)

AI总结 本文提出V2T-CoT方法，通过自动化定位生物医学图像中的偏好区域并将其整合到区域级像素注意力中，提升医学诊断的可解释性与准确性。

Comments 12 pages, 4 figures

Deep Spectral Models for Robust Dental Shape Generation

用于鲁棒牙齿形状生成的深度谱模型

Tibor Kubík, François Guibault, Michal Španěl, Hervé Lombaert

机构 * Polytechnique Montréal（蒙特利尔理工学院） ； Brno University of Technology（布尔诺理工大学） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)；biomedical(comments,journal_ref)；分类 cs.CV

AI总结 提出 ToothForge 框架，利用谱域同步嵌入学习紧凑的牙齿冠部几何生成模型，在有限数据集上实现与空间方法相当的性能，并保持紧凑性和几何可解释性。

Comments Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2026:016

Journal ref Machine.Learning.for.Biomedical.Imaging. 2026 (2026)

One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution

一次反思不够：通过多假设失败归因进行自我修正的自主研究

Jie Ma, Binfei Chu, Jie Gao, Jinlu Zhang, Yiwei Ma, Yi Tan, Jiayi Ji, Xiaoshuai Sun, Rongrong Ji

机构 * Xiamen University（厦门大学） ； Hello Inc.（Hello公司） ； Xiaohongshu Inc.（小红书公司） 纠错

专题命中 诊断辅助 ：diagnosis(abstract)；分类 cs.CV

AI总结 提出SAGE框架，通过多假设失败归因（MHFA）机制将实验失败恢复转化为结构化因果诊断，显著提升自主研究代理的可靠性和产出质量。

DiSTILL: A Hybrid Cloud-HPC Workflow System for Reproducible Spatial Transcriptomics Analysis

DiSTILL: 一种用于可重复空间转录组学分析的混合云-HPC工作流系统

Myles Joshua Toledo Tan, Vasco Gerardo Hinostroza Fuentes, Nikhil Yerra, Maria Kapetanaki, Parisa Rashidi, Kejun Huang, Panayiotis V. Benos

专题命中 诊断辅助 ：diagnosis(abstract)；分类 q-bio

AI总结 提出DiSTILL混合云-HPC工作流系统，通过API后端、Web前端和Python管道生成器，实现空间转录组学分析的可重复执行、队列编排和配置管理，并以IBD分析为例验证系统。

Comments 10 pages, 7 figures, 8 tables, submitted to and accepted for presentation at the 2026 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB) in Athens, Greece

Scientific Explanations in Health Sciences: Causality, Trust, and Epistemic Adequacy

健康科学中的科学解释：因果关系、信任与认知充分性

Martina Mattioli, Marcello Pelillo

机构 * College of Mathematical Medicine, Zhejiang Normal University（浙江师范大学数学医学院） ； DAIS, Ca’ Foscari University of Venice（威尼斯大学DAIS） ； European Centre for Living Technology（欧洲生命技术中心） 纠错

专题命中 诊断辅助 ：medical AI(abstract)

AI总结 本文结合科学哲学与可解释AI，探讨健康科学中解释的标准，提出因果关系、信任和解释充分性三个核心分析轴，为医学AI设计认知稳健且符合临床需求的解释系统提供原则。

Agentic AI Enhances Physician Trust in Clinical Decision Making

智能体AI增强医生在临床决策中的信任

Zhiling Yan, Zhe Fang, David J King, Ann Pongsakul, Eashan Adhikarla, Hui Ren, Sunyang Fu, Quanzheng Li, Lifang He, Xiang Li, Hongfang Liu, Yonghui Wu, Lichao Sun

机构 * Department of Computer Science and Engineering, Lehigh University（里海大学计算机科学与工程系） ； Department of Epidemiology, Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院流行病学系） ； Department of Medicine, Division of Cardiology, University of Florida（佛罗里达大学医学院心脏病学系） ； McGovern Medical School, University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心麦戈文医学院） ； Department of Radiology, Massachusetts General Hospital and Harvard Medical School（麻省总医院和哈佛医学院放射学系） ； McWilliams School of Biomedical Informatics, University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心麦克威廉姆斯生物医学信息学院） ； Department of Health Outcomes & Biomedical Informatics, College of Medicine, University of Florida（佛罗里达大学医学院健康结果与生物医学信息学系） 纠错

专题命中 诊断辅助 ：medical AI(abstract)

AI总结 研究通过医生评估多模态临床病例，发现智能体AI相比非智能体基线显著提升医生的认知和行为信任，尤其在治疗规划任务中，但存在对错误输出的过度依赖。

Comments Accepted by AMIA 2026 Annual Symposium